什么是感受野

定义：
输出特征图上的一个元素，在 输入图像 上所对应的空间区域大小。

理解：
你站在一栋楼（网络）的顶楼（深层）透视往下看，只能看到地面（输入）的九块地砖，这些地砖就是你的感受野。

重要性：

• 目标检测：需要匹配感受野，否则“看不到”大目标
• 语义分割：感受野 < 物体尺寸 → 分类错误
• 超分/去噪：感受野 < 纹理尺度 → 伪影

两层 3×3 卷积的感受野

Step-1 第一层
输入 7×7 → 3×3 卷积 → 输出 5×5
RF = 3

Step-2 第二层
把 5×5 特征再 3×3 卷积 → 输出 3×3
此时输出中心点 (1,1) 在特征图上的感受范围是 (0:3, 0:3)
映射回输入图像： 特征图 (0:3, 0:3) 对应输入 (0:5, 0:5)
⇒ 输入上需要 5×5 区域

故RF = 5

通项 RF = 2l + 1

为什么不用一层 5×5

假设输入输出通道均为 C

• 参数减少 28%
• 多一次 ReLU，增强非线性表达能力
• 更深 → 更好泛化（Bias-Variance ）

网络设计例子

1. VGG： 3×3 堆叠→ ImageNet结果证明小核堆叠有效
2. ResNet：Bottleneck 用 1×1→3×3→1×1
3. EfficientNet：复合缩放同时加深、加宽、加分辨率，感受野同步增长

常见面试追问

Q1：padding=1 会影响感受野吗？
A：不会，只影响特征图尺寸，RF 计算公式不变。

Q2：stride=2 时两层 3×3 RF 是多少？
A：RF₂ = 3 + (3−1)×2 = 7

Q3：1×1 卷积会增加感受野吗？
A：不会，k=1 ⇒ 增量为 0，仅用于通道混合。

Q4：空洞卷积 dilated=2 的 3×3 等效核多大？
A：等效 k = 3 + (3−1)×(2−1) = 5

Q5：Transformer 里还有感受野概念吗？
A：有，叫 Attention Window，原理相同，只是从局部卷积变成全局/局部自注意力。